임상시험 프로그래밍은 연구 프로토콜을 CDISC(Clinical Data Interchange Standards Consortium) 표준에 맞춰 분석 준비가 된 데이터셋으로 변환하는 과정으로, 규제 승인 제출의 핵심 병목 지점으로 꼽힙니다. 기존 대규모 언어모델(LLM) 기반 코드 생성 방식은 이 복잡한 작업에서 치명적인 실패를 겪어왔습니다. 5가지 최신 모델로 11번의 단일 시도(single-shot)를 진행했을 때, 단 한 번도 유효한 피험자 수준 분석 데이터셋을 생성하지 못했습니다.
이러한 한계를 극복하기 위해 GxP-Agent라는 새로운 다중 에이전트 시스템이 개발되었습니다. GxP-Agent는 규제 프로세스 순서를 유향 비순환 그래프(DAG, Directed Acyclic Graph) 형태로 인코딩하여, 방대한 데이터셋 생성 작업을 15개의 도메인별 노드로 분해합니다. 각 노드는 제약 산업 관련 기술(pharmaverse skill context)을 갖춘 작업 에이전트(worker agent)가 실행하며, 유효성 검사 게이트와 조건부 재시도 기능을 포함합니다. CDISC-Bench 벤치마크(FDA 파일럿 제출 데이터 기반)에서 GxP-Agent는 Claude Sonnet 4.6 모델과 결합하여 3번의 독립적인 실행 모두에서 100% 구조적 일치(49개 변수, 254개 레코드 모두 정확)를 달성했습니다. 이는 최상위 검색 증강(retrieval-augmented) 방식의 59.2%와 단일 에이전트 및 평면 다중 에이전트 방식의 0%와 비교하면 매우 놀라운 성과입니다. 심지어 성능이 낮은 GPT-4.1 모델도 동일한 DAG 구조 하에서는 59.2%의 평균 구조적 일치를 보였는데, 다른 아키텍처에서는 0%였습니다. 이 접근 방식은 부작용(ADAE) 데이터셋 생성에도 적용되어 첫 시도에 100% 구조적 일치를 달성하며 일반화 가능성을 입증했습니다.
이러한 결과는 도메인 프로세스 지식을 단순히 LLM의 추론 능력에만 의존하는 것이 아니라, 그래프 토폴로지(graph topology) 형태로 인코딩하는 것이 신뢰할 수 있고 GxP(Good x Practice) 규정을 준수하는 임상시험 프로그래밍을 위한 핵심 동력임을 시사합니다. 이는 제약 및 바이오 산업에서 규제 제출 과정을 획기적으로 가속화하고, 인적 오류를 줄이며, 궁극적으로 신약 개발 기간을 단축하는 데 크게 기여할 수 있습니다. 복잡하고 규제가 엄격한 분야에서 LLM의 잠재력을 최대한 활용하기 위한 새로운 방법론을 제시했다는 점에서 그 의미가 큽니다.